Date post: | 24-Nov-2023 |
Category: |
Documents |
Upload: | independent |
View: | 0 times |
Download: | 0 times |
PODACI O
ORIGINALNOM
ČLANKU
____________ Historijat članka:
Primljen 1. jula 2013.
Primljen u revidovanoj formi 7. juna 2014.
Prihvaćen 6. jula 2014.
Dostupan na internetu od 6. augusta 2014
_______________________
Ključne riječi:
Harmonijska procjena
BFO
Adaliine- Adaptivni linijski neuron
DFT
FFT
Najmanji kvadrat (LS)
SAŽETAK
________________________________________________Ovaj rad fokusira se na iskorištavanje dvije tehnike računarske inteligencije kao što su
vještačka neuronska mreţa i tehnike evolucijskog proračuna u procjeni harmonika u
elektroenergetskom sistemu. Tačna procjena harmonika u izobličenom
strujnom/naponskom signalu je izuzetno bitna za efikasno dizajniranje filtera za
eliminisanje viših harmonika. Ne postoji standardni dizajn za upravljanje lokalnim
minimumima i obučavanje Neuronskih mreţa (NN), ali tehnike Evolucijskog proračuna
(EC) daju mogućnost rješavanja lokalnih minimuma. Neuronske mreţe i Evolucijski
proračun (Optimizacija traganja bakterija za hranom (BFO)) kombinovani su kako bi se
postigla tačna procjena različitih harmonijskih komponenti izobličenog signala. Prva
procjena nepoznatih parametara vrši se primjenom BFO, a optimizirani izlaz dobiven na
ovaj način se koristi kao početne vrijednosti nepoznatih parametara za Adaline (Adaptivni
linijski neuron). Amplitude i faze osnovne i viših harmoničkih komponenti se odreĎuju na
osnovu konačnih vrijednosti nepoznatih parametara dobivenih koristeći Adaline. Ovakav
hibridni algoritam procjene optimizacije traganja bakterija za hranom zasnovan na
Adaline-u rješava problem spore konvergencije i smanjuje vremena stvaranja van-izvornih
dešavanja u Genetskom algoritmu (GA), te omogućava izbjegavanje lokalnih minimuma u
Optimizaciji roja čestica (PSO). Predloţeni algoritam zasnovan na Adaline-BFO
primijenjen je za harmonijsku analizu napona dobivenog na izlazu prototipa
fotonaponskog (PV) sistema. Na osnovu dobivenih rezultata potvrĎeno je da predloţeni
algoritam obezbjeĎuje bolje karakteristike procjene, u smislu smanjenja procentualne
greške, vremena proračuna, te prisustva subharmonika i meĎuharmonika, u poreĎenju sa
diskretnom Fourierovom transformacijom (DFT), Kalman filterom (KF) i BFO
algoritmima.
___________________________________________________________________________
I. UVOD
Od valnih oblika napona i struje u izmjeničnim
električnim sistemima se očekuje da budu sinusoide konstantne
amplitude i frekvencije. Ipak, skoro sve komponente električnog
postrojenja posjeduju nepoţeljnu osobinu unošenja izobličenja u
sistem, uzrokujući na taj način odstupanja valnih oblika napona i
struje od sinusoide. Naime, napon i struje sastoje se od niza
sinusoida različitih amplituda i faznih stavova, te frekvencija
koje su jednake cjelobrojnom umnošku frekvencije osnovnog
harmonika. Ovi cjelobrojni umnošci frekvencije osnovnog
harmonika nazivaju se frekvencijama viših harmonika. Zbog
značajnog porasta broja solid-state prekidačkih ureĎaja
posljednjih godina, došlo je i do porasta prisustva viših
harmonika u sistemu. Pored toga, povećana upotreba nelinearnog
opterećenja, kao što su ureĎaji energetske elektronike, takoĎer
uzrokuje značajne količine viših harmonika. Pretvarači korišteni
u elektromotornim pogonima promjenljive brzine, napojne
jedinice i ureĎaji za besprekidno napajanje (UPS) odgovorni su
za povećanu količinu viših harmonika s kojom se danas bori
elektroenergetski sistem. Značajan izvor viših harmonika su i
elektrolučne peći.
Kako je rečeno u prethodnom paragrafu, valni oblik
napona ili, posebno, struje odstupa od čiste sinusoide i postaje
sloţeniji kako je pokazano na slici 1.
Ukoliko nije korišen odgovarajući filter, ovi ureĎaji
će injektirati meĎuharmonike (čija je frekvencija veća od
frekvencije osnovnog harmonika, ali ne njen cjelobrojni
NEURO-EVOLUCIJSKI PRISTUPI HARMONIJSKIM
PROCJENAMA U ELEKTROENERGETSKOM SISTEMU
Predmet/godina studija Kvaliteta električne energije ( ETF EEI KEE 4860) / MSc I god.
Ime i prezime studenta NaĎa Hodţić /832/16079/ 19.05.2015. očekivani bodovi 19
Podaci o recenziji 1 Amra Gluho /828/15375/ 24.05.2015 prijedlog bodova 19
Podaci o recenziji 2 Semka Delić /806/15906/ 27.05.2015. prijedlog bodova 19 Napomena:
- Ovaj seminarski samostalni studentski rad je nastao na osnovu literature [1]. - Ovaj materijal je osnov za ocjenjivanje II parcijalnog ispita iz gore navedenog predmeta.
- Ovaj materijal se ne moţe koristiti kao literature ili referenca. - Ovaj materijal dokazuje da je student ovladao odreĎenom materijom koju izučava gore navedeni predmet.
umnoţak) i subharmonike (čija je frekvencija manja od
frekvencije osnovnog harmonika, i ne njen cjelobrojni umnoţak)
u sistem. I harmonici i meĎuharmonici imaju štetne efekte kao
što su povećani gubici, prenaponi, nesimetrije, pogrešno
djelovanje releja i zasićenje jezgre transformatora. Bitno je reći
da tačna procjena viših harmonika u naponskom/strujnom
signalu čini suštinu efikasnog dizajna filtera za eliminisanje viših
harmonika. Obzirom da mjerenje udjela viših harmonika u
sistemu u prisustvu šuma, prigušujuće istosmjerne komponente,
meĎuharmonika, subharmonika i prelaznih pojava
superponiranih signalu moţe dovesti do povećanja greške u
rezultatima, koriste se tehnike procjene kako bi se smanjio udio
viših harmonika u izobličenom signalu.
Slika 1. Shematski prikaz problematike harmonijske procjene
Stoga, svrha harmonijske procjene jeste razvoj tačnog
algoritma za dobivanje amplitude i faznog stava viših harmonika
izobličenog naponskog/strujnog signala.
Iz literature [2,3] se vidi da postoji nekoliko tehnika korištenih
za ocjenu viših harmonika. Od svih njih, u široj upotrebi je brza
Fourierova transformacija (FFT) zbog toga što nudi mogućnost
brţeg proračuna [2,3]. Ostali algoritmi uključuju rekurzivnu
diskretnu Fourierovu transformaciju (DFT), metodu zasnovu na
digitalnom razlikovanju [4], spektralne analize i Hartley-evu
transformaciju kao osnovne načine izdvajanja viših harmonika.
Najčešće korištene tehnike za procjenu parametara su algoritam
Najmanjeg kvadrata (LS) i Rekurzivnog najmanjeg kvadrata
(RLS) [5,6]. RLS se često koristi za on-line procjenu
frekventnog sadrţaja. Tehnika Kalman filtiranja koristi
jednostavan linearni i robusni algoritam za procjenu veličine
poznatih harmonika koji su skupa sa stohastičkim šumom
superponirani osnovnom signalu [7,8]. Naime, Kalman filter je
sam po sebi procjenitelj stohastičkih signala u vremenskom
domenu koji daje efikasna rekurzivna rješenja po pitanju metode
najmanjeg kvadrata. Koristi prethodno stanje kako bi predvidio
novo. [24] Ova tehnika omogućava bolju eliminaciju šuma i
procjenu u odnosu na FFT algoritme [2]. MeĎutim, manu
Kalman filtera predstavljaju njihove dinamičke osobine, tj. loše
performanse povezane sa trenutnim promjena amplitude, faze i
frekvencije signala. Zbog prirode filtera, izlazni signal je
neovisan od mjerenja, pa kako se filter pribliţava stacionarnom
stanju, tako postaje manje osjetljiv na varijacije parametara i
počinje da gubi sposobnost praćenja dinamičkih osobina signala.
[24]
Joorabian i grupa autora [9] razloţili su problem
totalne harmonijske procjene na linearni i nelinearni problem.
Linearni procjenitelj (najmanji kvadrat) zaduţen je za procjenu
amplitude, a prilagodljivi, veoma brzi, linearni kombinator
Adaline za procjenu faznog stava višeg harmonika. Uočeno je da
su koristeći ovaj algoritam postignuta poboljšanja glede
konvergencije i vremena trajanja proračuna. Ovaj algoritam
omogućava tačnu procjenu statičkih, dinamičkih i signala greške,
ali nije korišten za procjenu meĎuharmoničkih i subharmoničkih
komponenti. Lai i grupa autora [10] kombinovali su tehnike
najmanjeg kvadrata i vještaških neuronskih mreţa za izdvajanje
harmonika u vremenski promjenljivim situacijama. Ovaj metod
omogućava istovremeno mjerenje promjenljive frekvencije,
amplitude i bilo koje harmonijske komponente prisutne u
sistemu. Ne postoje ograničenja procjene po pitanju broja
harmonijskih komponenti izuzimajući povećanje sloţenosti
neuronske mreţe sa povećanjem broja harmonijskih komponenti.
Mori i grupa autora [11] predstavili su metodu harmonijske
analize baziranu na istraţivanju povratne propagacije u
neuronskim mreţama sa pozitivnom povratnom spregom.
Provjera učinkovitosti ove metode izvršena je njenom
primjenom na harmonike napona [12] posmatrane kroz
kompjuterski mjerni sistem, te poreĎenjem rada i učinaka sa
različitim konvencionalnim metodama. Algoritam baziran na
Neuronskim mreţama razvijen je u [13] sa ciljem procjene
amplitude i faze viših harmonika u sistemu sve do 11. reda
(550Hz). Korištena je metoda odreĎivanja parametara modela
koja u obzir uzima uticaj okolnog šuma. Performanse procjene
metodom Neuronskih mreţa takoĎer su poreĎene sa
performansama konvencionalne DFT metode. PoreĎenja su
pokazala da pristupi koji koriste Neuronske mreţe daju brz
odgovor i visoku tačnost u poreĎenju sa DFT, a učinkovitost NN
metode dokazana je i eksperimentalnim putem. Diskretna valna
transformacija [14] se takoĎer često koristi za detekciju i
klasifikaciju problema glede kvalitete električne energije.
Doprinos ovog rada ogleda se u razvoju novog
Adaline-BFO pristupa procjeni harmonijskog sadrţaja u sistemu
koji donosi odreĎena poboljšanja glede karakteristika procjene.
Osobine predloţene hibridne tehnike procjene poreĎene su sa
osobinama DFT, Kalman filtriranja i BFO algoritma.
Rad je organizovan kako slijedi. Odjeljak 2 kratko
opisuje problematiku rada. Odjeljak 3 opisuje predloţenu
Adaline-BFO hibridnu shemu za procjenu harmonijskog
sadrţaja. Odjeljak 4 prikazuje simulacije provedene nekim od
postojećih metoda: DFT, KF i BFO zajedno za rezultatima
primjene predloţene Adaline-BFO metoda za procjenu
harmonijskog sadrţaja na izobliţene signale. Odjeljak 4 opisuje i
eksperimentalnu postavku razvijenu sa ciljem potvrde
učinkovitosti predloţenog algoritma. Odjeljak 5 predstavlja
zaključak rada.
II. OPIS PROBLEMATIKE
Problem procjene moţe se posmatrati kao problem
optimizacije. Posmatrajmo Sliku 2, koja pokazuje problem
procjene parametara elektroenergetskog sistema, pri čemu je
potrebno provesti optimizaciju glede karakteristika lokalnog
optimuma koristeći pristupe Evolucijskog proračuna, npr. PSO,
BFO [17] ili glede poboljšanja karakteristika procjene globalnih
parametara koristeći hibridni algoritam koji uključuje Neuronske
i EC tehnike. Evolucijski proračuni (EC-Evolutionary
Computing) je zajednički naziv za tehnike namijenjene
rješavanju raznih problema, a koje su bazirane na principima
evolucije, kao što su prirodna selekcija i genetsko nasljeĎivanje.
Ove tehnike se sve više i više primjenjuju u izuzetno širokom
spektru područja, od praktičnih primjena u industriji do
nekonvencionalnih naučnih istraţivanja. [23]
Na Slici 3 elektroenergetski sistem treitra se kao
postrojenje. Kada se postrojenju dovodi ulazni signal, izlaz koji
se dobiva je ţeljeni izlaz. Kada se isti ulaz dovede modelu, tada
je dobiveni izlaz procijenjeni izlaz. Ţeljeni i procijenjeni izlaz se
porede i tako dobivena greška se minimizira hibridnim
algoritmom za optimizaciju.
Optimizacijski zadatak na Slici 3 moţe se riješiti
koristeći bilo koju klasičnu optimizacijsku tehniku, ali da bi se
postigla globalna optimizacija, razvijen je hibridni algoritam koji
uključuje Neuronske mreţe (NN) i EC tehnike. Treba istaći da su
EC tehnike, kao što su GA[16], BFO i PSO, pogodni kandidati
za nadogradnju Neuronskih mreţa koristeći osobine globalnog
optimuma.
BFO počiva na jednostavnom principu po kom
bakterija E.Coli traţi hranu u ljudskim crijevima. Tokom potrage
za hranom, kretanje prave bakterije postiţe se uz pomoć grupe
savitljivih bičeva. Bičevi pomaţu bakteriji E. Coli da se okreće
ili pliva, što su dvije osnovne operacije koje bakterija vrši tokom
potrage za hranom. Kada se bičevi okreću u smjeru kazaljke na
satu, svaki bič povlači ćeliju. Rezultat je neovisno pomjeranje
bičeva, te promjena poloţaja bakterije sa manjim brojem
zakretanja bičeva. Pomjeranje bičeva u smjeru suprotnom od
smjera kazaljke na satu pomaţe bakteriji da jako brzo pliva. U
opisanom algoritmu bakterija podilazi kemotaksiji (sposobnost
pokretnih stanica da prepoznaju odgovarajući hemijski gradijent
i da na njega odgovore usmjerenim kretanjem), te se kreću u
smjeru hranidbenog gradijenta i izbjegavaju potencijalne
opasnosti. Općenito govoreći, u „prijateljskom“ okruţenju,
bakterija prelazi duţu distancu. Na Slici 2 prikazan je udio
kretanja bičeva u smjeru kazaljke na satu i suprotnom smjeru
prilikom pronalaska hrane. [21]
Slika 2. Plivanje i okretanje bakterije E.Coli prilikom potrage za
hranom
BFO nadilazi mnoge moćne optimizacijske algoritme glede
brzine konvergencije i tačnosti. Mreţa adaptivnih linijskih
neurona [15,16] koristi se za aţuriranje teţinskih koeficijenata
Neuronskih mreţa prilagoĎavajući ih tako da procijenjena
vrijednost konvergira ka ţeljenoj (generisanom vještačkom
signalu/eksperimentalnom signalu).
Dobivanje izobličenog signala vrši se koristeći
eksperimentalni sistem koji uključuje DC-DC pretvarač, invertor
i FPGA sa sistemom za akviziciju podataka. Poboljšanja u
karakteristikama procjene ogledaju se u smanjenju greške pri
procjeni, smanjenju vremena trajanja proračuna, te poboljšanju
karakteristika u prisustvu meĎuharmonijskih i subharmonijskih
komponenti.
Slika 3. Procjena EE sistema kao optimizacijski problem
Izlazni napon invertora fotonaponskog sistema smatra se
izvorom izobličenog napona. Cilj je izvršiti procjenu različitih
harmonijskih komponenti ovog izobličenog napona koristeći
predloţeni Adaline-BFO algoritam procjene.
III. NOVA HIBRIDNA ADALINE-BFO SHEMA PROCJENE
U ovom odjeljku opisujemo kako hibridni Adaline-
BFO algoritam procjene rješava problem spore konvergencije i
smanjenje vremena stvaranja van-izvornih dešavanja u
Genetskom algoritmu (GA), te omogućava izbjegavanje lokalnih
minimuma u PSO. Ovaj kombinovani pristup procjeni
parametara elektroenergetskog sistema poboljšava procjenu
smanjujući greške pri procjeni, vrijeme trajanja proračuna, te
poboljšavajući karakteristike u prisustvu meĎuharmonijskih i
subharmonijskih komponenti.
Adaline je jednostavna dvoslojna neuronska mreţa
koja ima samo ulazni i izlazni sloj, te jedan izlazni neuron.
Izlazni neuron prima signale od svih ulaznih neurona. Svi
neuroni u mreţi imaju linearne prijenosne funkcije, a mreţa za
raspoznavanje koristi algoritam Najmanjeg srednjeg kvadrata
(LMS). Ova mreţa moţe se koristiti za raspoznavanje uzoraka,
filtriranje podataka ili za aproksimaciju linearne funkcije. Treba
napomenuti da je upotreba Adaline-a ograničena na linearne
probleme. Struktura Adaline neuronske mreţe prikazana je na
Slici 4. [20]
Slika 4. Struktura Adaline neuronske mreţe
Dalje, predstavljamo primjenu Adaline-BFO tehnike
za procjenu nepoznatih parametara na osnovu kojih će biti
odreĎeni osnovni harmonik i više harmoničke komponente
signala. Suma kvadratnih grešaka signala odreĎena je Fitness
funkcijom datom sljedećim izrazom.
( ) ∑ ( ) ∑ ( ) ̂( )
(1)
( )-Stvarni signal, ̂( )-procijenjeni signal, ( )-greška u
signalu.
Prethodno definisana suma kvadrata greške signala
odabrana je kao Fitness funkcija. Fitness funkcija se koristi za
procjenu koliko je dobro potencijalno rješenje problema u poreĎenju sa drugim rješenjima. Ova funkcija vraća pozitivan
cijeli broj, tzv. Fitness vrijednost, koji pokazuje koliko je dobro
potencijalno rješenje: što je veća Fitness vrijednost, to je bolje rješenje. Fitness funkcija se dominantno koristi u procesu
prirodne selekcije, gdje se na osnovu Fitness vrijednosti odreĎuje
koje će rješenje da nastavi sljedeću generaciju, a koje će da izumre. Treba ipak napomenuti da je proces prirodne selekcije
statističkog karaktera, tj. veća je vjerovatnoća da će biti izabrana
rješenja sa većim Fitness vrijednostima, ali se isto ne moţe garantovati. [25]
Optimizirane izlazne vrijednosti nepoznatih parametara dobivene
koristeći BFO koriste se kao ulazne vrijednosti za Adaline za
ciljem povećanja tačnosti procjene. Ovi parametri se potom
aţuriraju koristeći Widrow-Hoff-ovo delta pravilo. Amplituda i
fazni stav osnovne i viših harmonijskih komponenti procjenjuju
se iz aţuriranih teţinskih koeficijenata Adaline-a.
Relacija (1) moţe se predstaviti u diskretnom
vremenskom obliku:
( ) ∑ ( ) ( ) ( )
(2)
gdje je T period uzorkovanja. Zbog prisustva prigušnog člana,
( ), u (2), ona je nelinearna relacija. Kako bi
iskoristili jednostavnost primjene Widrow-Hoff-ovog pravila,
zanima nas linearna forma relacije (2). Stoga, primjenjujući
razvoj u Taylor-ov red na relaciju (2) i uzimajući prva dva člana
(data relacijom (3)), tj. zanemarujući članove višeg reda zbog
njihovog neznačajnog doprinosa, dobivamo relaciju (4).
(3)
( ) ∑ ( ) ( )
(4)
Treba napomenuti da se za harmonijsku procjenu
mogla razmatrati i nelinearna jednačina (2) primjenjujući
direktno na nju modificirani algoritam linijske pretrage, ali
pomenuti algoritam odlikuje spora konvergencija. Prilikom
procjene više frekvencijskih komponenti, moţe postojati i više
kombinacija konačnog rješenja zbog prisustva velikog broja
parametara [8]. Pomenuti problemi povećavaju se prisustvom
nelinearnosti u harmonijskoj procjeni. Linearizacijom DC
komponenti konvergencija EC (BFO) algoritma postaje brţa, a
pošto se optimizirani izlaz EC (BFO)-a koristi kao ulaz za NN
(Adaline), dobivaju se tačniji rezultati sa smanjenim trajanjem
proračuna. Linearizacijom DC komponenti, kao i
kombinovanjem EC i NN tehnika mogu se dobiti veća tačnost i
poboljšana konvergencija za mnoge parametre. Iz diskretnog
signala datog relacijom (4) procijenićemo amplitude i fazne
stavove osnovnog i svih ostalih harmonika.
Slika 5. Struktura sheme za Adaline-BFO procjenu
Slika 5 pokazuje predloţenu shemu za procjenu
koristeći kombinovani Adaline-BFO algoritam. Najprije se
ulazni signal šalje BFO algoritmu. Nepoznati parametri (teţinski
vektori prije inicijalizacije) se optimiziraju koristeći BFO
algoritam. Optimizirani izlaz BFO algoritma koristi se kao
ulazna vrijednost teţinskih koeficijenata za Adaline. Nakon toga
se isti teţinski koeficijenti aţuriraju koristeći Widrow-Hoff-ovo
delta pravilo. Osnovni, kao i ostali harmonici procjenjuju se na
osnovu krajnjih aţuriranih vrijednosti Adaline teţinskih
koeficijenata. Za procjenu amplitude i faznog stava relacija (4)
moţe se pisati kao
( ) ∑ ( ) ( )
( ) (5)
Blok NN(Adaline) identifikatora na Slici 5 prikazuje
Adaline implementacionu strukturu za procjenu harmonijskih
sadrţaja u EE sistemu. su ulazne vrijednosti za
Adaline. Mnoţenjem ulaznih vrijednosti vektorom teţinskih
koeficijenata dobiva se procijenjeni izlaz ̂( ).
Referentni izlaz ( ) poredi se sa procijenjenim
izlazom ̂( ), te se tako dobivena greška minimizira aţuriranjem
teţinskih koeficijenata Adaline-a koristeći Widrow-Hoff-ovo
delta pravilo [12].
Ulaz za Adaline dat je sa
( )
( ) ( ) ( ) ( )
(6)
Adaline-ov vektor teţinskih koeficijenata dat je sa
( )
( ) ( ) ( ) ( ) ( ) ( )
(7)
gdje je
( )
( ) ( ) ( ) ( )
Optimizirane izlazne vrijednosti nepoznatih
parametara dobivene BFO algoritmom koriste se kao početne
vrijednosti vektora teţinskih koeficijenata za Adaline, a potom
se aţuriraju koristeći modificirano Widrow-Hoff-ovo delta
pravilo na sljedeći način
( ) ( ) ( ) ( )
( ) ( ) (8)
Za prilagoĎenje teţinskih koeficijenata Adaline-a
umjesto Widrow-Hoff-ovog delta pravila korišteno je
modificirano Widrow-Hoff-ovo delta pravilo koje unosi
nelinearnost zbog upotrebe SGN funkcije, što dovodi do
povećanja tačnosti procjene amplitude i faznog stava harmonika
šumom zaprljanog signala.
gdje je
( ) ( ( )) (9)
( ) {
(10)
(ukupni broj parametara X(k))
Koeficijent popravke moţe se prilagoditi koristeći
sljedeći izraz [11]:
( )
(
) (11)
gdje je početna vrijednost koeficijenta popravke, a
konstantna prigušenja. je mali broj koji se bira tako da osigura
, te se obično uzima . Nakon aţuriranja
vektora teţinskih koeficijenata ( ), amplitude ( ) i fazni
stavovi ( ) osnovnog i n-tog harmonika, kao i parametri
prigušenja ( ) mogu se dobiti na sljedeći način [8]
√(
) (12)
(
) (13)
(14)
(
) (15)
____________________________________________________
Algoritam 1. Adaline-BFO algoritam za procjenu harmonijskog
sadrţaja u elektroenergetskom sistemu
1. Inicijalizacija BFO parametara
2. Petlja za eliminaciju i raspršenje
3. Petlja za reprodukciju
4. Petlja za kemotaksiju
(a) Za (ukupni broj uzoraka)
Izračunaj vrijednost funkcije troška ( )
( ) ∑ ( ) ∑ ( ) ̂( )
(tj. dodatak efektu meĎusobnog privlačenja ćelija)
(b) Za uzmi u obzir okretanje/plivanje
Okretanje
Generiši nasumični vektor ( ) na
segmentu
(i) Aţuriraj parametre
(ii) Izračunaj ( )
Plivanje
Izračunaj novu vrijednost ( )
koristeći novi poloţaj
U suprotnom izaĎi iz koraka Plivanje
(c) Idi na sljedeći uzorak ( ) ako je [tj. idi
na b] kako bi se obradio sljedeći uzorak
(d) Ako je ( ) dopuštene greške, prekini sve
petlje.
5. Ako je (broj kemotaktičnih iteracija), idi na 4. U ovom
slučaju nastavi kemotaksiju dok se ne završi ţivot bakterije.
6. Reprodukcija
(a) Za dato m i l i za svako izračunaj
Sortiraj parametre prema rastućem
(b) ⁄ parametara sa najvišim će biti
uklonjeno, a ostalih parametara sa najboljom
vrijednošću podijeljeno
7. Ako je (maksimalan broj reprodukcijskih koraka),
idi na 3. U ovom slučaju nije dostignut naznačeni reprodukcijski
korak, pa počni kemotaktičku petlju sa novom generacijom.
8. Eliminacija i raspršenje
Za sa vjerovatnoćom (vjerovatnoća eliminacije
i raspršenja), eliminiši i rasprši svaki set parametara.
9. Dobivanje optimiziranih vrijednosti teţinskih koeficijenata
(parametara)
10. Korištenje Adaline strukture i modificiranog Widrow-Hoff-
ovog delta pravila za konačno aţuriranje teţinskih koeficijenata.
11. Procjena amplituda i faznih stavova na osnovu aţuriranih
teţinskih koeficijenata
Algoritam 1 opisuje predloţenu Adaline-BFO shemu
procjene. Ovaj algoritam ima dva odvojena dijela, u prvom
dijelu koristi se BFO za optimizaciju nepoznatih parametara, a u
drugom se optimizirane izlazne vrijednosti ponovo aţuriraju
koristeći modificirano Widrow-Hoff-ovo delta pravilo u Adaline
strukturi. Ovo za rezultat ima minimizaciju greške izmeĎu
ţeljenog i procijenjenog izlaza.
IV. REZULTATI I DISKUSIJA
Statički signal zaprljan stohastičkim šumom i prigušujućom DC
komponentnom
Razmatra se signal zaprljan stohastičkim šumom i
prigušujućom DC komponentom. Signal korišten za procjenu
pored osnovnog harmonika sadrţi i više harmonike trećeg,
petog, sedmog i jedanaestog reda, kao i DC komponentu koja se
sporo prigušuje. Ovakva vrsta signala matematički se moţe
predstaviti kao
( ) ( ) ( )
( ) ( ) (
) ( ) ( ) (17)
Signal je zaprljan stohastičkim šumom ( ) ( ) sa
normalnom raspodjelom, srednjom vrijednošću nula i
jediničnom varijansom. Vrijednosti parametara korištenih u
simulaciji i eksperimentu date su u Tabeli 1. Parametri za
različite algoritme podešeni su nakon vršenja brojnih
eksperimenata sa ciljem dobivanja njihovih optimalnih
vrijednosti. Početne vrijednosti nepoznatih parametara dobivene
su nasumičnim generisanjem brojeva iz opsega sa zadatim
granicama.
Slike 6-8 daju usporedbu stvarnog i procijenjenog
signala dobivenog koristeći BFO, kao i hibridni Adaline-BFO
algoritam sa SNR vrijednostima od 40dB, 20dB i 10dB
respektivno. Primijećeno je da se za SNR=40dB procijenjena i
stvarna vrijednost skoro u potpunosti poklapaju, meĎutim kako
se vrijednost SNR-a smanjuje, tako se odstupanje meĎu ovim
vrijednostima povećava. Slike 9 i 10 pokazuju respektivno
procijenjene amplitude i fazne stavove osnovne, kao i ostalih
harmonijskih komponenti signala dobivene korištenjem Adaline-
BFO algoritma. Slike 11 i 12 daju usporedbu procjena amplitude
osnovnog i trećeg harmonika respektivno koristeći BFO i
Adaline-BFO algoritam. Sa ovih slika vidi se da Adaline-BFO
daje tačniju procjenu u odnosu na BFO algoritam.
Simulacije provedene za harmonike višeg reda daju slične
rezultate, pa zbog ograničenja glede prostora nisu prikazane.
Slike 13 i 14 daju usporedbu procjena faznih stavova osnovnog i
trećeg harmonika respektivno koristeći BFO i hibridni Adaline-
BFO algoritam. Adaline-BFO daje tačniju procjenu u poreĎenju
sa BFO algoritmom. Simulacije za harmonike višeg reda dale su
slične rezultate i zbog toga nisu prikazane. Slika 15 daje
usporedbu robusnosti procjene trećeg harmonika pri različitim
vrijednostima SNR-a. Sa ove se slike vidi da je tačnost procjene
veća za SNR=40dB, te da ona opada sa smanjenjem SNR-a.
Tabela 1
Parametri korišteni za simulaciju i eksperiment (BFO i Adaline-BFO).
( )
0.01 100 0.01 100 12.18 3 5 10 10 0.1 0.001 0.05 0.3 0.05 10
Slika 6. Usporedba stvarnog i procijenjenog izlaznog signala
koristeći BFO i Adaline-BFO algoritam (SNR 40dB)
Slika 7. Usporedba stvarnog i procijenjenog izlaznog signala
koristeći BFO i Adaline-BFO algoritam (SNR 20dB).
Slika 8. Usporedba stvarnog i procijenjenog izlaznog signala
koristeći BFO i Adaline-BFO algoritam (SNR 10dB).
Karakteristike Adaline-BFO procjene manje variraju sa
promjenom vrijednosti SNR-a, nego li karakteristike BFO
procjene, što znači da je algoritam Adaline-BFO robusniji. Slika
16 pokazuje usporedbu procijenjene srednje kvadratne greške
(MSE) signala dobivene koristeći dva razmatrana algoritma. Sa
slike se vidi da su, po ovom pitanju, karakteristike Adaline-BFO
algoritma znatno bolje u odnosu na BFO.
Slika 9. Procjena amplitude osnovnog i viših harmonika signala
koristeći Adaline-BFO
Slika 10. Procjena faznog stava osnovnog i viših harmonika
signala koristeći Adaline-BFO
Slika 11. Usporedba procjena amplitude osnovnog harmonika
signala
Tabela 2 daje usporedbu rezultata simulacije dobivenih
korištenjem DFT, Kalman filtera, BFO i predloţenog Adaline-
BFO algoritma. Uzevši u obzir slike 7-14, te rezultate procjene
ostalih harmonijskih komponenti, Tabela 2 je pogodna za
sveukupnu analizu rezultata. Konačni parametri harmonijskog
sadrţaja dobiveni predloţenim pristupom su najbolji pokazatelj
preciznosti korištene procjene. Najveće odstupanje glede
amplitude iznosi 1.746% i javlja se kod procjene 11. harmonika,
dok je najveće odstupanje glede faznog stava 0.8516 i javlja se
kod procjene 7 harmonika.
Slika 12. Usporedba procjena amplitude trećeg harmonika
signala
Slika 13. Usporedba procjena faznog stava osnovnog harmonika
signala
Slika 14. Usporedba procjena faznog stava trećeg harmonika
signala
Harmonijska procjena signala u prisustvu međuharmonika i
subharmonika
Frekvencija subharmonika je 20Hz, amplituda 0.505
p.u., a fazni stav 75 .
Slika 15. Usporedba robusnosti procjene amplitude 3. harmonika
signala
Slika 16. Usporedba srednje kvadratne greške signala
Tabela 2
Usporedba DFT, Kalman filtera, BFO i Adaline-BFO
Frekvencija, amplituda i fazni stav prvog meĎuharmonika su
130Hz, 0.25 p.u. i 65 respektivno, dok su frekvencija, amplituda
i fazni stav drugog meĎuharmonika 180Hz, 0.35 p.u. i 20
respektivno. Slike 15 i 16 pokazuju procjenu amplitude i faznog
stava subharmonika i meĎuharmonika.
Slika 17. Procjena subharmonika amplitude 0.505 p.u.
Slika 18. Procjena meĎuharmonika faznog stava 65 .
Slika 19. Usporedba robusnosti procjena subharmonijskih
komponenti signala.
Koristeći Adaline-BFO algoritam dobiva se skoro savršena
procjena, odnosno u svakom od slučajeva većina uzoraka
konvergira ka referentnoj vrijednosti. Slika 17 daje usporedbu
robusnosti procjene subharmonika pri različitim vrijednostima
SNR-a. Sa ove slike se vidi da karakteristike Adaline-BFO
procjene manje variraju pri promjeni SNR-a u odnosu na
karakteristike BFO procjene, što znači da je u procjeni
meĎuharmonika algoritam Adaline-BFO robusniji. U Tabeli 3
data je usporedba karakteristika DFT, KF, BFO i predloţene
Adaline-BFO sheme za procjenu za slučaj signala koji sadrţi
subharmonike i meĎuharmonike. Iz ove tabele se vidi da
Adaline-BFO daje značajna poboljšanja u pogledu smanjenja
greške pri procjeni harmonijskog sadrţaja signala u odnosu na
ostala tri algoritma, tj. DFT, Kalman filter i BFO.
Tabela 3
Usporedba DFT, Kalman filtera, BFO i Adaline-BFO pri
procjeni meĎuharmonika i subharmonika.
Slika 20. Fotografija prototipa fotonaponskog sistema
Eksperimentalni rezultati
U ovom odjeljku predstavljena je primjena Adaline-
BFO algoritma za procjenu izobličenja napona u prototipu
fotonaponskog (PV) sistema. Slika 20 predstavlja fotografiju
eksperimentalne postavke prototipa fotonaponskog sistema, a
Slika 22 pokazuje blok dijagram sistema. Karakteristike
korištene opreme date su u Tabeli 4. Dijelovi sistema spojeni su
kako slijedi. Fotonaponski panel se sastoji od pet serijski
spojenih fotonaponskih modula. Pozitivna i negativna stezaljka
PV panela spojene su na pozitivnu i negativnu stezaljku DC-DC
Boost pretvarača. Boost pretvarač vrši MPPT kao i povišenje
napona. MPPT (Maximum Power Point Tracking) je tehnika
koju koriste invertori spojeni na mreţu, punjači solarnih baterija
i slični ureĎaji kako bi dobili maksimalnu moguću snagu iz
jednog ili više fotonaponskih modula. Svrha MPPT sistema jeste
uzorkovanje izlaza FN ćelija i primjena odgovarajućeg
opterećenja kako bi se dobila maksimalna snaga, neovisno od
uticaja okoline. Sloţene relacije koje povezuju solarnu
iradijaciju, temperaturu i ukupnu otpornost solarne ćelije
najlakše se mogu analizirati putem I-V krive. Na Slici 21
prikazano je nekoliko I-V krivih kojima odgovaraju različite
vrijednosti solarne iradijacije. [22]
Slika 21. I-V krive solarnog panela
Boost pretvarač se dalje spaja na DC-AC invertor. Na
izlaz invertora spaja se opterećenje. Zahtijevani upravljački
impulsi za Boost pretvarač i invertor dobivaju se izvana, sa
FPGA pločice (FPGA – Field-Programmable Gate Array pločice
su integrisana kola koja se mogu konfigurisati od strane
korisnika ili dizajnera i nakon proizvodnje). FPGA pločica
generiše impulse koristeći naponski i strujni signal
fotonaponskog sistema, DC-DC pretvarača i invertora. Za
procjenu harmonijskog sadrţaja koristi se izobličeni naponski
signal dobiven na izlazu invertora fotonaponskog sistema (Slika
22) u različitim vremenskim trenucima.
FPGA radi sa naponom i strujom do 12V i 5A.
MeĎutim, u prethodno prikazanom fotonaponskom sistemu
naponski opsezi fotonaponskog panela, DC-DC pretvača i
invertora su veći od naponskog opsega FPGA pločice. Zbog
toga, naponi i struje PV panela, DC-DC pretvarača i invertora su
prilagoĎeni pomenutim graničnim vrijednostima koristeći sklop
za prilagodbu signala, te onda primijenjeni na FPGA.
Metoda Parametar Sub Među 1 Među 2
Stvarni
(vještački
( ) 20 180 230
signal) ( ) 0.505 0.25 0.35
( ) 75 65 20
DFT ( ) 0.5102 0.2401 0.3434
Odstupanje ( ) 5.1297 3.9713 1.8814
( ) 72.027 62.410 11.149
Odstupanje ( ) 2.9723 2.5895 1.1495
Kalman filter ( ) 0.492 0.254 0.358
Odstupanje ( ) 1.508 1.859 2.322
( ) 75.353 64.218 8.680
Odstupanje ( ) 0.353 0.782 1.319
BFO ( ) 0.5252 0.2664 0.3729
Odstupanje ( ) 3.9957 6.5574 6.5295
( ) 74.486 63.9910 19.6887
Odstupanje ( ) 0.514 1.0090 0.3113
Adaline-BFO ( ) 0.5075 0.2495 0.3399
Odstupanje ( ) 0.4943 0.2044 2.8750
( ) 75.2204 65.4904 19.7231
Odstupanje ( ) 0.2204 0.4904 0.2769
Slika 22. Kompletan blok dijagram prethodno prikazanog prototipa fotonaponskog sistema
Tabela 4
Komponente prototipa FN sistema
Slika 23. Usporedba karakteristika procjena harmonijskog
sadrţaja u podaci fotonaponskog sistema
U skladu sa IEC 61000-4-30 [18], za proračun
parametara kvalitete električne energije vršeno je mjerenje u
trajanju od 10 ciklusa, tj. 200 ms u 50-Hz sistemu, sa vremenom
uzorkovanja od 0.4 ms. Mjerne nesigurnosti, kao što su greške
uzorkovane transduktorom frekvencijskog opsega ili greške
usljed prisustva šuma i viših harmonika, mogu se pripisati
samom modelu. Slika 23 daje usporedbu karakteristika
harmonijskih procjena provedenih za fotonaponski sistem. Sa
ove slike se moţe vidjeti da algoritam Adaline-BFO ima
poboljšane karakteristike procjene u odnosu na BFO.
V. ZAKLJUČAK
Ovaj rad predstavlja novi algoritam za procjenu
harmonijskog sadrţaja signala zaprljanih šumom. Tokom same
procjene, BFO algoritam se koristi za procjenu nepoznatih
parametara koji se koriste za odreĎivanje amplituda i faznih
stavova. Konačne vrijednosti amplituda i faznih stavova
osnovnog i ostalih harmonika procjenjuju se na osnovu teţinskih
koeficijenata Adaline-a. Teţinski koeficijenti Adaline-a se
aţuriraju koristeći Widrow-Hoff-ovo delta pravilo, dok se kao
početne vrijednosti ovih koeficijenta koriste rezultati BFO
algoritma. PoreĎenjem novog (Adaline-BFO) algoritma sa BFO
algoritmom, uočeno je da pri svakoj od procjena Adaline-BFO
svojim karakteristikama nadilazi BFO algoritam. Nakon izvršene
procjene harmonijskog sadrţaja signala koristeći predloţeni
algoritam, imaju se najbitnije informacije potrebne za
dizajniranje filtera za eliminaciju ili smanjenje uticaja viših
harmonika u elektroenergetskom sistemu. Predloţeni algoritam
procjene u predstavljenoj formi, ili sa odreĎenim izmjenama,
moţe se primijeniti i u drugim područjima inţenjerstva, kao što
su procjena parametara komunikacijskog kanala sa šumom ili
procjena telefonskih i drugih kodiranih signala.
VI. MOJE MIŠLJENJE
Ovaj rad, iako je iz oblasti elektrotehnike, preciznije
govoreći iz oblasti kvalitete elektične energije, za razumijevanje
zahtijeva i odreĎena znanja iz oblasti biologije. Ovo se u prvom
redu odnosi na poznavanje nervnog sistema i mikroorganizama.
Mišljenja sam da upravo to daje teţinu ovom radu i da pored
stavki navedenih u prethodnom odjeljku nosi još jednu veoma
bitnu pouku: Proširiti vidike! Iako smo inţenjeri elektrotehnike,
ne smijemo dopustiti da se naše znanje i interesovanje ograniči
na ono što se konvencionalno smatra elektrotehnikom.
Elektroenergetski sistem je najsloţeniji tehnički sistem, tj.
najsloţeniji sistem osmišljen ljudskim umom i napravljen
ljudskom rukom. Sloţenije od EES-a, proizvoda ljudske
inteligencije i sposobnosti, je sam čovjek. Zbog toga mi se čini
prirodno i logično traţiti inspiraciju za rješavanje problema iz
oblasti elektrotehnike upravo u ljudskom organizmu. Kao što je
kvantna mehanika zamijenila klasičnu kada ova nije davala
odgovore na sve veći broj pitanja, tako je moţda baš sada
vrijeme da i inţenjeri počnu gledati izvan ustaljenih okvira i
odgovore na svoja pitanja potraţe tamo gdje ih malo ko očekuje.
Pri tome je priroda, zbog svog savršenog sklada i
harmonije, zasigurno najveći i neisrpni izvor inspiracije. Prosti
organizmi kao što su bakterije koje ţive u ljudskim crijevima
stvorene su sa instinktom koji im pomaţe da hranu naĎu na
najbrţi način, minimizirajući pri tome rizik da budu uništene.
Čovjek je s druge strane razvio DFT, FFT i konstruisao Kalman
filter da bi kasnije shvatio da primjena algoritma po kom
bakterija traţi hranu (BFO Algoritam) omogućava znatno brţu
konvergenciju problema. Integrišemo li sa tim i osobine ljudskog
nervnog sistema (Adaline), dobivamo algoritam za harmonijsku
procjenu u elektroenergetskim sistemima sa, do sada, ubjedljivo
najboljim karakteristikama po pitanju tačnosti, robusnosti i
vremena trajanja proračuna.
Nakon dorade orgininalnog članka i dubljeg
upoznavanja sa ovom tematikom sigurna sam da se negdje u
našem, ili moţda nekom znatno prostijem, organizmu kriju
rješenja za brojne probleme iz različitih oblasti koji stoljećima
muče čovječanstvo.
VII. PRIJEDLOZI ZA DODATNO ISTRAŢIVANJE
Tehnike evolucijskog proračuna su izuzetno dobri
kandidati za nadogradnju na Neuronske mreţe [1]. Zbog toga bi
bilo korisno ispitati koliko su učinkoviti algoritmi zasnovani na
kombinaciji Adaline-a i različitih evolucijskih proračuna.
Obzirom da se ovaj rad fokusira na Adaline-BFO, moj prijedlog
bi bio istraţivanje efikasnosti Adaline-GA i Adaline-PSO
algoritama pri harmonijskoj procjeni u elektroenergetskom
sistemu.
Drugi prijedlog proističe iz činjenice da je upotreba
Adaline-a ograničena na linearne probleme. S druge strane, u
elektroenergetskom sistemu izuzetno su česte nelinearnosti
(konkretno u primjeru razmatranom u ovom radu, nelinearnost
unosi prigušujuća DC komponenta koja je zadata kao
eksponencijalna funkcija). Zbog toga se mora vršiti linearizacija
problema, npr. razvojem u Taylorov reda i odbacivanjem
članova iznad odreĎenog reda. MeĎutim, kako je poznato,
odbacivanje članova reda predstavlja vrstu aproksimacije, tj.
dovodi do smanjenja sveopće tačnosti rješenja. Zbog toga bi bilo
od koristi istraţiti upotrebu neke druge tehnike Neuronskih
mreţa (ne mora to nuţno biti Adaline) koja omogućava direktne
operacije sa nelinearnim problemima.
VIII. REFERENCE
[1] Pravat K. R, Bidyadhar S. Neuro-evolutionary approaches to
power system harmonic estimation, Department of Electrical
Engineering, National Institute of Technology Rourkela
[2] Watson NR, Arrillaga J. Review harmonics in large systems.
Electric Power Syst Res 2003;66(1):15–29.
[3] Al-Feilat EAA, El-Amin I, Bettayeb M. Power system
harmonic estimation a comparative study. Electric Power Syst
Res1994;29(2):91–7.
[4] Sarkar A, Sengupta S. Second-degree digital differentiator-
based power system frequency estimation under non-sinusoidal
conditions. IET Sci Meas Technol 2010;4(3):105–14.
[5] Sachdev MS, Giray MM. A least error square technique for
determining power system frequency. IEEE Trans Power
Apparatus Syst 1985;104(2):437–43.
[6] Bettayeb M, Qidwai U. Recursive estimation of power
system harmonics. Electr Power Syst Res 1998;47:143–52.
[7] Ray PK, Subudhi B. Ensemble Kalman filter based power
system harmonics estimation. IEEE Trans Instrum Measure
2012;61(12):3216–24.
[8] Subudhi B, Ray PK, Ghosh S. Variable leaky LMS algorithm
based power system frequency estimation. IET Sci Meas
Technol 2012;6(4):288–97.
[9] Joorabian M, Mortazavi SS, Khayyami AA. Harmonics
estimation in a power system using a novel-hybrid Least Square–
Adaline algorithm. Electric Power Syst Res 2009;79(1):107–16.
[10] Lai LL, Chan WL, Tse CT, So ATP. Real-time frequency
and harmonic evaluation using artificial neural networks. IEEE
Trans Power Deliv 1999;14(1):52–9.
[11] Mori H, Itou K, Uematsu H, Tsuzuki S. An artificial neural-
net based method for predicting power system voltage
Harmonics. IEEE Trans Power Deliv 1992;7(1).
[12] Demoulias C, Goutzamanis D, Gouramanis K. Analysis of
the voltage harmonic distortion at buses feeding office loads.
IET Sci Meas Technol 2009;3(4): 286–301.
[13] Lin HC. Intelligent neural network based fast power system
Harmonics Estimation. IEEE Trans Indust Electron 2007;54(1).
[14] Masoum MAS, Jamali S, Ghaffarzadeh N. Detection and
classification of power quality disturbances using discrete
wavelet transform and wavelet networks. IET Sci Meas Technol
2010;4(4):193–205.
[15] Suresh kumar V, Kannan PS, Kalaiselvi K, Kavitha D.
Optimal estimation of harmonics in power system using
intelligent computing techniques. In: Proc of int joint conf on
neural networks, Florida, USA, 12–17 August, 2007.
[16] Seifossadat SG, Razzaz M, Moghaddasian M, Monadi M.
Harmonics estimation in power system using adaptive
perceptrons based on a genetic algorithm. WSEAS Trans Power
Syst 2007;2(11).
[17] Bettayeb M, Qidwai U. A hybrid least squares-GA-based
algorithm for harmonic estimation. IEEE Trans Power Deliv
2003;18(2):377–82.
[18] Passino KM. Biomimicry of bacterial foraging for
distributed optimization and control. IEEE Control Syst Mag
2002;22(3):52–67.
[19] Electromagnetic Compatibility (EMC), Part 4. Testing and
Measuring Techniques. Section 30. Measurements of Power
Quality Parameters (PN EN 61000-4-30), IEC 61000-4-30;
2003.
IX. DODANE REFERENCE:
[20] http://neuroph.sourceforge.net/tutorials/Adaline.html
[21] Swagatam D, Arijit B, Sambarta D (Dept. of Electronics and Telecommunication Engg, Jadavpur University, Kolkata,
India) and Ajith A (Norwegian University of Science and
Technology, Norway). Bacterial Foraging Optimization Algorithm: Theoretical Foundations, Analysis, and Applications.
[22] Rosu-Hamzescu M, Oprea S. Practical Guide To
Implementing Solar Panel MPPT Algorithms, Microchip Technology Inc.
[23] Eiben A.E, Smith J.E. Introduction to Evolutionary
Computing, Springer, 1st edition, 2003, ISBN: 3-540-40184-9. [24] Kent K. C. Yu, N. R. Watson, J.Arrilaga. An Adaptive
Kalman Filter for Dynamic Harmonic State Estimation and
Harmonic Injection Tracking [25] Goldberg D.E, Genetic Algorithms in Search, Optimization
and Machine Learning, 1989.